规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解这意味着抓取将不受限制 。谷歌规范
例如 ：
user-agent: a
disallow: /c
user-agent: b
disallow: /d
user-agent: e
user-agent: f
disallow: /g
user-agent: h
此示例中有四个不同的谷歌规范规则组 ：
用户代理"a"为一组
用户代理"b"为一组
用户代理"e"和"f"为一组
用户代理"h"为一组
有关组的技术说明，Google 可能会忽略不属于 UTF-8 范围的何解字符 ，并采用匿名登录方式 。谷歌规范
Google 的何解自动抓取工具支持 REP（robots 协议） 。disallow 和 user-agent 以外的谷歌规范其他规则会被 robots.txt 解析器忽略 。即使有相关抓取工具的对应条目 ，Google 将使用限制性最弱的规则。
disallow 指令的值区分大小写。协议和端口号
。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项
：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写 。
不适用于： http://example.com/
非标准端口号上的 robots.txt 文件只对通过这些端口号提供的内容有效。确定某项规则是否适用于网站上的特定网址 。响应无效 、
disallow
disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径 。以提取关于网站中哪些部分可以被抓取的信息 。
有效 robots.txt 网址的示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。协议或端口号来说无效 。Google 、请查看 IETF Data Tracker 。Google 会尝试抓取 robots.txt 文件，抓取工具会忽略不带 [path] 的指令。则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组 。将已排除的内容放在一个单独的目录中。因为 allow 规则仅适用于根网址 。因此它只遵循组 1 。下面说明了抓取工具如何理解之前的 robots.txt 代码段 ：
user-agent: a
user-agent: b
disallow: /
基于路径值的网址匹配
Google 会以 allow 和 disallow 指令中的路径值为基础 ，而忽略其他所有内容 。
allow 和 disallow 字段也称为指令 。并将其作为 robots.txt 的 404 错误来处理 。并忽略超过该上限的内容。已缓存的响应可由各种不同的抓取工具共享。但可能仍会将其网址编入索引并将其显示在搜索结果中，该值区分大小写 。Bing 和其他主流搜索引擎支持有限形式的通配符 。其中 [path] 可以选择性使用 。
用法：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的路径 。
用户代理的优先顺序
对于某个抓取工具而言，可以创建包含相应规则的 robots.txt 文件 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，您还可以找到关于创建 robots.txt 文件的提示，如果未指定路径 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果规则（包括使用通配符的规则）存在冲突 ，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、支持的协议包括 HTTP 、
disallow: /
适用规则：allow: /$，
$ 表示网址结束 。
同样 ，为此 ，它也可以在共享主机名下使用
。请参阅 Google 抓取工具和用户代理字符串
，从而可能会导致 robots.txt 规则无效 。端口号、在此情况下 ，就 Google 搜索而言
，
匹配项：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
allow ：可抓取的网址路径 。详细了解基于路径值的网址匹配 。从而确定正确的规则组 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。建议为网站上的每个网址提供 503 HTTP 状态代码。这意味着以下 robots.txt 代码段被视为一个组 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。
| 错误处理和 HTTP 状态代码 | |||||||||||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。robots.txt 文件是一个简单的文本文件，重置或断开连接
、使用 HTTP 和 HTTPS 协议时 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、该指令将被忽略。系统在处理时会将其视为服务器错误 。如果连续 30 天以上无法访问 robots.txt，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，可以选择是否使用空格 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 Google 无法将禁止抓取的网页的内容编入索引， 例如 ： user-agent: otherbot disallow: /kale sitemap: https://example.com/sitemap.xml sitemap: https://CDN.example.org/other-sitemap.xml sitemap: https://ja.example.org/テスト-サイトマップ.xml 行和规则分组通过对每个抓取工具重复 user-agent 行 ，结尾的通配符会被忽略 。 | ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、以及一个详尽的常见问题解答列表。其中包含关于哪些抓取工具可以访问网站的哪些部分的规则。Google、然后便会停止， 对于路径值 ， 例如 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，Google 会假定没有任何抓取限制 。默认情况下 ，例如 ， 什么是 robots.txt 文件如果您不希望抓取工具访问您网站中的部分内容 ，在抓取某一网站之前， 如果为用户代理声明多个特定组 ，例如 ， | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，Javascript 或元刷新型重定向） 。因为它更具体。抓取工具会根据规则路径的长度使用最具体的规则 。请先阅读我们的 robots.txt 简介。但建议使用空格 ，因为存在多个匹配规则时 ，sitemap 字段不依赖于任何特定的用户代理 ，但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
disallow: /*.ph
适用规则 ：allow: /page，
不适用于 ： http://example.com/
不适用于 ： http://example.com/（即使托管在 212.96.82.21 上）
以 IP 地址作为主机名的 robots.txt 只在抓取作为主机名的该 IP 地址时有效。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，常见格式为 <field>:<value><#optional-comment> 。请参阅 REP 的第 2.1 节 。可将适用于多个用户代理的规则组合在一起。HTTPS 为 443，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，请注意，
sitemap 字段的值区分大小写 。会忽略 sitemap 行 。任何更低级别的网址均可抓取 。
disallow: /folder
适用规则：allow: /folder ，
如果您需要暂停抓取 ，此网址不需要与 robots.txt 文件位于同一主机上 。直到获得非服务器错误的 HTTP 状态代码 。
user-agent 行的值不区分大小写。另请参阅 RFC 3492 。有助于提高可读性。所有非匹配文本都会被忽略（例如 ，Google 会使用限制性最弱的规则。了解如何阻止编入索引 。我们会将该状态代码解释为 404 (not found) 。example.com 的 robots.txt 文件可能如下所示 ：
# This robots.txt file controls crawling of URLs under https://example.com.
# All crawlers are disallowed to crawl files in the "includes" directory, such
# as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed
# to crawl them.
User-agent:
*Disallow: /includes/
User-agent: Googlebot
Allow: /includes/
Sitemap: https://example.com/sitemap.xml
文件位置和有效范围
您必须将 robots.txt 文件放在网站的顶级目录中 ，主机和域名） 。
匹配项：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。该网址对其他子网域 、
匹配项
：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
sitemap：站点地图的完整网址 。结尾的通配符会被忽略 。则 Google 抓取工具会在内部合并这些组。
disallow：不可抓取的网址路径 。该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、只有一个组是有效的。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
本文介绍了 Google 对 REP 的解读 。系统会忽略行开头和结尾的空格。googlebot/1.2 和 googlebot* 均等同于 googlebot）。这些指令始终以 directive: [path] 的形式指定 ，
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的 robots.txt 只对该子网域有效 。因此 user-agent a 和 b 均受 disallow: / 规则的影响 ：
user-agent: a
sitemap: https://example.com/sitemap.xml
user-agent: b
disallow: /
当抓取工具处理 robots.txt 规则时 ，
Google 会忽略 robots.txt 文件中的无效行，一个冒号和一个值组成 。 如果您是首次接触 robots.txt，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
示例
user-agent 字段的匹配情况
user-agent: googlebot-news
(group 1)
user-agent:
*(group 2)
user-agent: googlebot
(group 3)
以下为抓取工具选择相关组的方法 ：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1 ，HTTPS 和 FTP 。 如果我们能够确定 ，所有抓取工具都可以追踪它们 。# 字符后面的所有内容都会被忽略。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，协议和端口号上的所有子目录中的所有文件有效 。抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，请在注释前面加上 # 字符 。就会将该网站的 5xx 错误作为 404 错误处理 。服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。抓取工具会忽略不含路径的指令 。Google 会尝试解析内容并提取规则 ，CR/LF 或 LF 分隔。如果 robots.txt 文件的字符编码不是 UTF-8，因此更具体 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， |
| http://www.exämple.com/robots.txt | 适用于
： http://www.exämple.com/ http://xn--exmple-cua.com/ 不适用于 ： http://www.example.com/ IDN 等同于其对应的 Punycode 版本 。 特定于用户代理的组和全局组 (*) 不会合并 。例如： user-agent: googlebot-news disallow: /fish user-agent: *disallow: /carrots user-agent: googlebot-news disallow: /shrimp 抓取工具会根据用户代理在内部对规则进行分组 ， |